Paris Perdikaris 'maschinelle Lernforschung zu Atommüll, vorgestellt von DOE

Paris Perdikaris

Paris Perdikaris, Assistenzprofessor an der Fakultät für Maschinenbau und angewandte Mechanik, wurde in der ASCR Discovery des US-amerikanischen Energieministeriums (DOE) für seine Forschungen zur Nutzung des maschinellen Lernens zur Vorhersage des Austritts von Atommüll vorgestellt.

Perdikaris 'Arbeit, die teilweise durch seinen DOE Early Career Award 2018 finanziert wird, konzentriert sich auf die Entwicklung von Algorithmen, um Informationen über die physikalische Welt zu approximieren, die für Wissenschaftler nicht direkt zugänglich sind.

ASCR Discovery wird vom DOE-Büro für Advanced Scientific Computing Research veröffentlicht und erläutert, wie maschinelles Lernen eingesetzt werden kann, um Lösungen für eine Vielzahl von Problemen zu finden. Der Artikel beschreibt, wie Perdikaris maschinelles Lernen umsetzt, um nukleare Leckagen in einem stillgelegten Atomkomplex anzugehen:

Es ist nicht einfach, die Risiken zu quantifizieren, die vergrabener Atommüll für Boden und Wasser in der Nähe des Hanford-Standorts des Department of Energy (DOE) im US-Bundesstaat Washington birgt. Forscher können die Permeabilität der Erde nicht messen, ein Schlüsselfaktor dafür, wie weit Chemikalien reisen könnten, und mathematische Modelle, wie sich Substanzen im Untergrund bewegen, sind unvollständig, sagt Paris Perdikaris von der University of Pennsylvania.
Aber wo herkömmliche experimentelle und rechnerische Werkzeuge zu kurz kommen, können Algorithmen der künstlichen Intelligenz helfen und ihre eigenen Schlussfolgerungen auf der Grundlage von Mustern in den Daten erstellen. "Wir können die Mengen, an denen wir interessiert sind, nicht direkt messen", sagt er. „Mit dieser zugrunde liegenden mathematischen Struktur können wir maschinelle Lernalgorithmen entwickeln, die vorhersagen, worum es uns geht.“

Lesen Sie weiter bei ASCR Discovery.